Byungkyu Kim
(Science and Technology Security R&D Center, KISTI)
,
Beom-Jong You
(Science and Technology Security R&D Center, KISTI)
,
Min-Woo Park
(Science and Technology Security R&D Center, KISTI)
과학기술 문헌을 활용한 계량정보분석에서 학과정보의 활용은 매우 유용하다. 본 논문에서는 국내 과학기술 분야 학술지 논문에 출현하는 대학기관 소속 저자의 학과정보 선별, 데이터 정제와 학과유형 분류 처리 과정을 통해 학과정보 데이터셋을 구축하고 학습데이터와 검증데이터로 이용하여 딥러닝 기반의 자동분류 모델을 구현하였다. 또한 학과정보 데이터셋과 국내 학술지 저자소속 정보를 활용하여 컴퓨터 분야의 공저 구성 현황과 네트워크를 분석하였다. 연구결과, 자동분류 모델은 한글 학과정보 기준 98.6% 정확률을 보였으며 컴퓨터 분야 연구자들의 공저 패턴과 기관유형, 지역, 기관, 학과유형 측면별 공저 네트워크의 속성과 중심성이 자세히 파악되고 맵으로 시각화되었다.
과학기술 문헌을 활용한 계량정보분석에서 학과정보의 활용은 매우 유용하다. 본 논문에서는 국내 과학기술 분야 학술지 논문에 출현하는 대학기관 소속 저자의 학과정보 선별, 데이터 정제와 학과유형 분류 처리 과정을 통해 학과정보 데이터셋을 구축하고 학습데이터와 검증데이터로 이용하여 딥러닝 기반의 자동분류 모델을 구현하였다. 또한 학과정보 데이터셋과 국내 학술지 저자소속 정보를 활용하여 컴퓨터 분야의 공저 구성 현황과 네트워크를 분석하였다. 연구결과, 자동분류 모델은 한글 학과정보 기준 98.6% 정확률을 보였으며 컴퓨터 분야 연구자들의 공저 패턴과 기관유형, 지역, 기관, 학과유형 측면별 공저 네트워크의 속성과 중심성이 자세히 파악되고 맵으로 시각화되었다.
The utilization of department information in bibliometric analysis using scientific and technological literature is highly advantageous. In this paper, the department information dataset was built through the screening, data refinement, and classification processing of authors' department type belon...
The utilization of department information in bibliometric analysis using scientific and technological literature is highly advantageous. In this paper, the department information dataset was built through the screening, data refinement, and classification processing of authors' department type belonging to university institutions appearing in academic journals in the field of science and technology published in Korea, and the automatic classification model based on deep learning was developed using the department information dataset as learning data and verification data. In addition, we analyzed the co-authorship structure and network in the field of computer science using the department information dataset and affiliation information of authors from domestic academic journals. The research resulted in a 98.6% accuracy rate for the automatic classification model using Korean department information. Moreover, the co-authorship patterns of Korean researchers in the computer science and engineering field, along with the characteristics and centralities of the co-author network based on institution type, region, institution, and department type, were identified in detail and visually presented on a map.
The utilization of department information in bibliometric analysis using scientific and technological literature is highly advantageous. In this paper, the department information dataset was built through the screening, data refinement, and classification processing of authors' department type belonging to university institutions appearing in academic journals in the field of science and technology published in Korea, and the automatic classification model based on deep learning was developed using the department information dataset as learning data and verification data. In addition, we analyzed the co-authorship structure and network in the field of computer science using the department information dataset and affiliation information of authors from domestic academic journals. The research resulted in a 98.6% accuracy rate for the automatic classification model using Korean department information. Moreover, the co-authorship patterns of Korean researchers in the computer science and engineering field, along with the characteristics and centralities of the co-author network based on institution type, region, institution, and department type, were identified in detail and visually presented on a map.
본 연구에서는 데이터셋 및 자동 분류 모델의 부재로 기존 학문 분야의 지적관계 분석 연구에서 다루지 못한 학과유형 분류를 위한 기반을 마련하였다. 또한 연구자의 기관 단위부터 현재 전공을 나타내는 세부 소속정보인 학과유형 단위까지 분석 범위를 확장하고 실험적으로 컴퓨터 분야 연구자들의 네트워크 시각화 및 중심성 분석에 적용하였으며, 학과유형 레벨의 공동연구 현황과 패턴을 확인하였다.
제안 방법
4.2 절에서는 실험데이터를 구성하는 한국 학술지 16 종, 논문 4,860 편의 저자소속 정보와 기관 식별정보, 4.1절에서 구축한 학과유형 데이터셋으로 구성된 실험데이터를 기반으로 공저 구성, 협업 정도 등의 공저 패턴과 기관유형, 국내 지역, 기관, 학과유형의 4가지 측면에서 공저 현황과 네트워크를 분석한 연구 결과를 제시한다. 먼저, 실험 대상 논문들의 저자 수 구성을 학술지별, 전체 학술지로 살펴보면 Table 3 및 Fig 4와 같다.
둘째, 실험데이터를 기반으로 공저 구성, 공저 패턴, 기관유형, 국내 지역, 기관, 학과유형의 4가지 측면으로 네트워크 분석을 수행하였다. 구체적으로 논문별 저자 수와 기관 수 평균은 전체 학술지 기준으로 2.
본 연구에서는 데이터셋 및 자동 분류 모델의 부재로 기존 학문 분야의 지적관계 분석 연구에서 다루지 못한 학과유형 분류를 위한 기반을 마련하였다. 또한 연구자의 기관 단위부터 현재 전공을 나타내는 세부 소속정보인 학과유형 단위까지 분석 범위를 확장하고 실험적으로 컴퓨터 분야 연구자들의 네트워크 시각화 및 중심성 분석에 적용하였으며, 학과유형 레벨의 공동연구 현황과 패턴을 확인하였다. 이로써 학문 분야의 지적관계 분석을 비롯한 계량정보분석 연구에서 학과유형의 식별과 활용 가능성을 확인하였다.
본 연구에서는 한국의 컴퓨터 분야의 공저 관계의 현황 분석과 특성을 파악할 목적으로 해당 분야를 대표할 수 있는 한국 출판 학술지 16종의 연구논문 4,860 편을 대상으로 실험데이터를 제작하고 계량정보분석 및 소셜 네트워크분석 연구를 수행하였으며, 특별히 실험데이터로 KSCD, 기관식별데이터, 학과유형 분류체계와 자동 분류를 위한 학과유형 데이터셋을 구축하여 활용하였다. 또한 향후 지속적인 분석 연구 및 동향 파악을 위해 학과유형 정보의 자동 분류 모델을 구현하고 평가하였다.
주요 연구 결과를 요약하면 다음과 같다. 첫째, 학과정보 분석 활용을 위해 데이터의 수집부터 학과정보의 추출 및 데이터 정제 등의 전처리 작업, 학과유형에 대한 정확한 분류 처리를 통해 데이터셋을 구축하고 데이터셋을 학습 및 테스트 데이터로 사용하여 딥러닝 기반의 자동 분류 모델을 구현하였다. 모델 성능 평가 결과는 한글 학과정보 기준 98.
학과정보 자동 분류 모델은 텍스트 언어별로 한글 버전과 영문 버전으로 이원화하여 구현하였다. 모델 성능 평가 결과는 한글과 영문 각각 98.
모델의 구성은 기울기 소실 문제를 해결할 수 있는 ReLU 함수와 출력계층에서 활성화 함수는 다중 클래스 분류를 위한 SoftMax 함수를 사용하였으며, 손실함수는 다중분류를 위한 categorical_crossentropy를 이용하였다. 학습과 테스트 데이터는 7:3 비율로 나누어 학습을 수행하였으며 학습 횟수는 30번으로 하고 과적합 방지를 위해 조기 종료 기법을 이용하였다. 학과정보 데이터 (국문 38,618건, 영문 44,970건)에서 출현 수가 많은 분류 선택 및 출현 횟수 3회 이상 조건으로 필터링하여 최종적으로 학과유형정보 데이터셋 (한글 35,166건, 영문 37,473건)을 구축하였다.
대상 데이터
국내 학술지에 출현하는 학과정보 데이터셋 구축을 위하여 KISTI가 2002년부터 개발해온 KSCD를 활용하였다. KSCD에 등재된 국내 학술지 500종의 2015년부터 2017년까지의 논문 83,633건에서 대학기관 저자 기준으로 159,083개의 저자소속 정보를 사용하였으며, 불필요한 정보의 제거 등 데이터 정제를 위한 전처리 작업을 실시하고 학과유형 분류를 수작업으로 진행하였다. 학과유형 분류 시 KCUE에서 제공하는 국내 교육편제단위 표준분류체계를 기준으로 삼았다.
구체적으로 실험 대상 논문 4,860 편에서 식별된 저자의 소속 기관 수는 총 788개이며, 대분류 기준으로 “교육학술기관” (40.0%), “민간기관” (37.6%), “정부기관” (11.3%), “해외기관” (9.4%), “의료기관” (1.8%)의 순으로 조사되었다
본 연구에서는 한국의 컴퓨터 분야의 공저 관계의 현황 분석과 특성을 파악할 목적으로 해당 분야를 대표할 수 있는 한국 출판 학술지 16종의 연구논문 4,860 편을 대상으로 실험데이터를 제작하고 계량정보분석 및 소셜 네트워크분석 연구를 수행하였으며, 특별히 실험데이터로 KSCD, 기관식별데이터, 학과유형 분류체계와 자동 분류를 위한 학과유형 데이터셋을 구축하여 활용하였다. 또한 향후 지속적인 분석 연구 및 동향 파악을 위해 학과유형 정보의 자동 분류 모델을 구현하고 평가하였다.
학습과 테스트 데이터는 7:3 비율로 나누어 학습을 수행하였으며 학습 횟수는 30번으로 하고 과적합 방지를 위해 조기 종료 기법을 이용하였다. 학과정보 데이터 (국문 38,618건, 영문 44,970건)에서 출현 수가 많은 분류 선택 및 출현 횟수 3회 이상 조건으로 필터링하여 최종적으로 학과유형정보 데이터셋 (한글 35,166건, 영문 37,473건)을 구축하였다. 학과유형 정보 데이터 예시와 데이터셋의 학과유형별 구성은 각각 Table 2, Fig 2와 같다.
이론/모형
본 장에서는 컴퓨터분야 한국 학술지 저자의 학과정보 자동식별 및 공저 네트워크 분석의 연구 수행 결과를 제시하며, 먼저 학과유형 정보의 데이터셋 구축과 자동 분류 모델 관련 주요 내용을 살펴보면 다음과 같다. 국내 학술지에 출현하는 학과정보 데이터셋 구축을 위하여 KISTI가 2002년부터 개발해온 KSCD를 활용하였다. KSCD에 등재된 국내 학술지 500종의 2015년부터 2017년까지의 논문 83,633건에서 대학기관 저자 기준으로 159,083개의 저자소속 정보를 사용하였으며, 불필요한 정보의 제거 등 데이터 정제를 위한 전처리 작업을 실시하고 학과유형 분류를 수작업으로 진행하였다.
학과유형 분류 시 KCUE에서 제공하는 국내 교육편제단위 표준분류체계를 기준으로 삼았다. 딥러닝 기반의 학과정보 자동분류 모델은 기존 RNN(Recurrent Neural Networks) 보다 성능이 개선된 순환 신경망인 LSTM을 사용하였다. 학과명 한글 데이터의 형태소 분석을 위해 Mecab을 사용하였으며 불필요한 단어를 불용어 목록으로 정리하여 해당 단어는 제외되도록 하였다.
학과명 한글 데이터의 형태소 분석을 위해 Mecab을 사용하였으며 불필요한 단어를 불용어 목록으로 정리하여 해당 단어는 제외되도록 하였다. 모델의 구성은 기울기 소실 문제를 해결할 수 있는 ReLU 함수와 출력계층에서 활성화 함수는 다중 클래스 분류를 위한 SoftMax 함수를 사용하였으며, 손실함수는 다중분류를 위한 categorical_crossentropy를 이용하였다. 학습과 테스트 데이터는 7:3 비율로 나누어 학습을 수행하였으며 학습 횟수는 30번으로 하고 과적합 방지를 위해 조기 종료 기법을 이용하였다.
딥러닝 기반의 학과정보 자동분류 모델은 기존 RNN(Recurrent Neural Networks) 보다 성능이 개선된 순환 신경망인 LSTM을 사용하였다. 학과명 한글 데이터의 형태소 분석을 위해 Mecab을 사용하였으며 불필요한 단어를 불용어 목록으로 정리하여 해당 단어는 제외되도록 하였다. 모델의 구성은 기울기 소실 문제를 해결할 수 있는 ReLU 함수와 출력계층에서 활성화 함수는 다중 클래스 분류를 위한 SoftMax 함수를 사용하였으며, 손실함수는 다중분류를 위한 categorical_crossentropy를 이용하였다.
KSCD에 등재된 국내 학술지 500종의 2015년부터 2017년까지의 논문 83,633건에서 대학기관 저자 기준으로 159,083개의 저자소속 정보를 사용하였으며, 불필요한 정보의 제거 등 데이터 정제를 위한 전처리 작업을 실시하고 학과유형 분류를 수작업으로 진행하였다. 학과유형 분류 시 KCUE에서 제공하는 국내 교육편제단위 표준분류체계를 기준으로 삼았다. 딥러닝 기반의 학과정보 자동분류 모델은 기존 RNN(Recurrent Neural Networks) 보다 성능이 개선된 순환 신경망인 LSTM을 사용하였다.
성능/효과
둘째, 실험데이터를 기반으로 공저 구성, 공저 패턴, 기관유형, 국내 지역, 기관, 학과유형의 4가지 측면으로 네트워크 분석을 수행하였다. 구체적으로 논문별 저자 수와 기관 수 평균은 전체 학술지 기준으로 2.5 명, 1.4 기관으로 파악되었으며, 학술지별 저자 수, 기관 수 구성 패턴과 단독연구와 공동연구의 비율은 상당한 차이가 존재하는 것이 확인되었다. 학술지 전체를 기준으로 협업 정도를 나타내는 Degree of collaboration 지표는 저자 기준 78.
기관유형 레벨의 공저 네트워크에 대한 시각화 맵과 중심성 값들을 Fig 7과 같이 살펴보면 “교육기관 > 대학” 모든 중심성 척도에서 가장 높은 순위를 차지하며, 다른 대분류 하위 기관유형에서 “정부기관 > 공공기관”, “민간기관 > 기타 민간기관”, “해외기관 > 해외대학”들과 상대적으로 높은 공저 관계를 형성하고 있음을 확인할 수 있다.
한 편의 논문에서 같은 기관 소속의 저자 수가 복수일 경우에는 중복을 제거하여 기관 수는 1개로 처리하여 분석하였다. 논문별 기관 수 평균은 전체 학술지 기준으로 1.4 기관으로 조사되었으며, 학술지별로 저자 기관 수 구성 패턴과 단독연구와 공동연구의 비율에서 많은 차이가 존재하는 것이 확인되었다. 또한 학술지 전체를 기준으로 Degree of institutional collaboration은 47.
먼저, 실험 대상 논문들의 저자 수 구성을 학술지별, 전체 학술지로 살펴보면 Table 3 및 Fig 4와 같다. 논문별 저자 수 평균은 전체 학술지 기준으로 2.5 명으로 파악되었으며, 학술지별로 저자 수의 구성 패턴과 단독연구와 공동연구의 비율에서 상당한 차이가 존재하는 것이 확인되었다. 학술지 전체를 기준으로 공동연구와 단독연구의 비율은 각각 21.
마지막으로 학과유형 레벨의 공저 네트워크 지도와 중심성 분석 결과를 Fig 10에서 살펴보면, 컴퓨터 분야 학술지 저자 소속정보 기반 분석으로 인해 중분류 기준 “공학계열 > 전기·전자·컴퓨터”가 매우 높은 네트워크 중심성 값과 순위를 차지하는 것을 확인할 수 있다
첫째, 학과정보 분석 활용을 위해 데이터의 수집부터 학과정보의 추출 및 데이터 정제 등의 전처리 작업, 학과유형에 대한 정확한 분류 처리를 통해 데이터셋을 구축하고 데이터셋을 학습 및 테스트 데이터로 사용하여 딥러닝 기반의 자동 분류 모델을 구현하였다. 모델 성능 평가 결과는 한글 학과정보 기준 98.6%와 영문 학과정보 기준 97.6%의 정확률로 측정되었다.
2%과 같았다. 실험대상 논문의 저자소속 정보에서 식별된 전체 기관 수는 총 788 기관 (국내 714 : 해외 74, 90.6% : 9.4%)으로 조사되었으며, 저자소속 기관들을 기관유형 분류체계를 적용하여 기관유형별로 분석한 통계 결과는 Table 4에서 확인할 수 있다. 구체적으로 실험 대상 논문 4,860 편에서 식별된 저자의 소속 기관 수는 총 788개이며, 대분류 기준으로 “교육학술기관” (40.
또한 연구자의 기관 단위부터 현재 전공을 나타내는 세부 소속정보인 학과유형 단위까지 분석 범위를 확장하고 실험적으로 컴퓨터 분야 연구자들의 네트워크 시각화 및 중심성 분석에 적용하였으며, 학과유형 레벨의 공동연구 현황과 패턴을 확인하였다. 이로써 학문 분야의 지적관계 분석을 비롯한 계량정보분석 연구에서 학과유형의 식별과 활용 가능성을 확인하였다. 다만 실험데이터와 학과유형 데이터셋의 구축 및 분석 범위를 국내 학술지로 한정한 부분은 본 연구의 한계점으로 향후 해외 학술지 및 학술대회 문헌까지 확대하고 아울러 최신 발간 정보를 실시간적으로 적용할 수 있는 연구 수행 체계의 개선이 필요하다.
특히, “서울”의 경우 기관 수 (200, 25.4%), 중복허용 출현 저자 수 (4,614, 37.8%), 개별 논문 중복 제거 기준 출현 기관 수 (2,214, 33.8%), 논문 수(1,998, 41.1%)를 차지함으로써 한국의 컴퓨터 분야 연구에서 가장 핵심적인 지역으로 확인되었다.
특히, 학과정보 미확인 비율이 높은 2 종의 학술지들을 제외하고 “Journal of Korea Society of Digital Industry and Information Management”, “Journal of Digital Contents Society”, “Journal of the Korea Society of Computer and Information”과 같은 학술지들은 “전기·전자·컴퓨터” 외 학과유형의 비중이 30% 이상을 차지하는 것으로 파악되었다
5 명으로 파악되었으며, 학술지별로 저자 수의 구성 패턴과 단독연구와 공동연구의 비율에서 상당한 차이가 존재하는 것이 확인되었다. 학술지 전체를 기준으로 공동연구와 단독연구의 비율은 각각 21.9%, 78.1%로 조사되어 Degree of collaboration은 78.1%로 파악되었다.
4 기관으로 파악되었으며, 학술지별 저자 수, 기관 수 구성 패턴과 단독연구와 공동연구의 비율은 상당한 차이가 존재하는 것이 확인되었다. 학술지 전체를 기준으로 협업 정도를 나타내는 Degree of collaboration 지표는 저자 기준 78.1%, 기관 기준 Degree of institutional collaboration은 47.2%로 파악되었다. 또한 컴퓨터 분야 연구자들의 공저 패턴과 기관유형, 지역, 기관, 학과유형 측면별 공저 네트워크의 속성과 중심성이 자세히 파악되고 네트워크 지도로 시각화 되었다.
후속연구
이로써 학문 분야의 지적관계 분석을 비롯한 계량정보분석 연구에서 학과유형의 식별과 활용 가능성을 확인하였다. 다만 실험데이터와 학과유형 데이터셋의 구축 및 분석 범위를 국내 학술지로 한정한 부분은 본 연구의 한계점으로 향후 해외 학술지 및 학술대회 문헌까지 확대하고 아울러 최신 발간 정보를 실시간적으로 적용할 수 있는 연구 수행 체계의 개선이 필요하다.
본 연구에서 제시하는 공저 관계에 대한 다양한 측면에서의 통계 분석 결과와 네트워크 분석 결과의 상호 비교 및 분석 과정을 통해 국내 컴퓨터 분야 학술 연구에서 공저 관계를 폭넓고 조망할 수 있으며, 향후 자동 분류모델 및 데이터셋을 기반으로 다양한 연구 분야에서 후속 연구가 기대된다.
실험 데이터에 출현한 학과유형은 소분류로 128개로써, 앞서 Fig 2에서 살펴본 바와 같이 유형별로 데이터셋 구성에서 유형별로 차지하는 비중의 편차가 크다. 특히, 학습데이터 수가 상대적으로 작은 학과유형의 경우 정확률이 낮아지며, 향후 데이터 보완이 필요하다.
참고문헌 (23)
KOTRA, World's Best Digital Infrastructure (Why Korea in Invest Korea Site), https://www.investkorea.org/ik-kr/cntnts/i-103/web.do？
Center for Government Competitiveness in Seoul National University, Government Competitiveness 2021, https://www.joongang.co.kr/article/25030839？
NRF, '2010-2020 Results of Analysis of Top 1% Cited Papers in Major Countries, https://www.unipress.co.kr/news/articleView.html?idxno6869？
B. Kim, B.-J. You, and H.-S. Shim, "Dataset construction and Automatic classification of Department information appearing in Domestic journals" In Proceedings of the Korean Society of Computer Information Conference, Vol 31. No. 1, pp. 343-344, Daejeon, South Korea,
B. Kim, Y. Kim, and J. Kang, "Analysis of the citation impact of national journals toward SCIE journals on JCR ranking," Malaysian Journal of Library and Information Science, Vol. 23, No. 2, pp. 1-24, Jul. 2018, DOI: 10.22452/mjlis.vol23no2.1.？
B. Kim, B.-J. You, and J.-H. Kang, "Analysis of SCI Journals Cited by Korean Journals in the Computer field," Journal of the Korea Society of Computer and Information, Vol. 24, No. 11, pp. 79-86, Nov. 2019. DOI: 10.9708/JKSCI.2019.24.11.079？
B. Kim, B.-J. You, and J.-H. Kang, "Examination of International Collaborative Research Status and Co-Authorship Network Visualization of Korean Researchers in the Computer Field." TEST Engineering & Management, vol. 81, pp. 173-182, Nov. 2019.？
B. Kim, and B.-J. You, "Co-author Network Analysis of Research Institutes in the Computer Field Based on the Journal Articles Published in Korea" In Proceedings of the Korean Society of Computer Information Conference, Vol 29. No. 2, pp. 117-122, South Korea, July. 2021.？
B. Kim, B.-J. You, and H.-S. Shim, "Trends in disaster safety research in Korea: Focusing on the journal papers of the departments related to disaster prevention and safety engineering," Journal of the Korea Society of Computer and Information, Vol. 27, No. 10, pp. 43-57, Oct. 2022. DOI: 10.9708/JKSCI.2022.27.10.043？
S. Lee, "A Preliminary Study on the Co-author Network Analysis of Korean Library and Information Science Research Community," Journal of Korean Library and Information Science Society, Vol. 41, No. 2, pp. 297-315, Jun. 2010, DOI: 10.16981/kliss.41.2.201006.297.？
B.-U. Yun, T.-S. Kim, J.-M. Park, E.-G. Park, J.-H. Kim, and D.-S. Han, "A Study on Co-author Networks of the Architectural Planning using Social Network Analysis," Journal of the architectural institute of Korea planning and design, Vol. 33, No. 2, pp. 61-68, Feb. 2017, DOI: 10.5659/jaik_pd.2017.33.2.61.？
J.-Y. Lee and Y.-H. Park, "Social Network Analysis of author's interest area in Journals about Computer," Journal of the Korea Institute of Information and Communication Engineering, Vol. 20, No. 1, pp. 193-199, Jan. 2016. DOI: 10.6109/JKIICE.2016.20.1.193？
Jang and Y. Park, "A Study on Co-author Networks in the Journal of a Branch of Computers," Journal of the Korea Institute of Information and Communication Engineering, Vol. 22, No. 2, pp. 295-301, Feb. 2018. DOI: 10.6109/JKIICE.2018.22.2.295？
T. Ahmed, A. Ahmed, M. Ali, and M. Kamran, "Analysis of co-authorship in computer networks using centrality measures," 2017 International Conference on Communication, Computing and Digital Systems (C-CODE), Mar. 2017, DOI: 10.1109/c-code.2017.7918901.？
R. Molontay and M. Nagy, "Two decades of network science," Proceedings of the 2019 IEEE/ACM International Conference on Advances in Social Networks Analysis and Mining, Aug. 2019, DOI: 10.1145/3341161.3343685.？
A. Nunes da Silva, M. M. Breve, J. P. Mena-Chalco, and F. M. Lopes, "Analysis of co-authorship networks among Brazilian graduate programs in computer science," PLOS ONE, Vol. 17, No. 1, p. e0261200, Jan. 2022, DOI: 10.1371/journal.pone.0261200.？
H. Choi, B. Kim, Y. Jung, and S. Choi, "Korean scholarly information analysis based on Korea Science Citation Database (KSCD)," Collnet Journal of Scientometrics and Information Management, Vol. 7, No. 1, pp. 1-33, Jun. 2013. DOI: 10.16981/kliss.51.2.202006.273.？
"KISTI, Institution Identification Data Version 1.0." 2023. DOI:10.23057/39.？
"Korean Council for University Education, The Standard Classification of University Education Units." 2023. https://www.data.go.kr/data/15014632/fileData.do.？
L. C. Freeman, "Centrality in social networks conceptual clarification," Social Networks, Vol. 1, No. 3, pp. 215-239, Jan. 1978, DOI: 10.1016/0378-8733(78)90021-7.？
Hagberg. Aric, and Drew. Conway, 2020. "Networkx: Network analysis with python.", URL: https://networkx.github.io？
N. J. van Eck, and L. Waltman, "Software survey: VOSviewer, a computer program for bibliometric mapping," Scientometrics, Vol. 84, No. 2, pp. 523-538, December 2009. DOI: 10.1007/s11192-009-0146-3？
K. Subramanyam, "Bibliometric studies of research collaboration: A review," Journal of Information Science, Vol. 6, No. 1, pp. 33-38, Jan. 1983, DOI: 10.1177/016555158300600105.
AI-Helper
※ AI-Helper는 부적절한 답변을 할 수 있습니다.